O Google Research abriu o código do Harness², um framework que tenta melhorar agentes de IA sem treinar novamente o modelo. Em vez de alterar pesos, o projeto modifica o conjunto de instruções, ferramentas, memória, habilidades e regras de orquestração que cercam o modelo durante uma tarefa. O artigo técnico foi disponibilizado no arXiv em 9 de outubro de 2026; o repositório público está sob licença Apache 2.0.
A proposta importa porque boa parte do desempenho de um agente já não depende apenas do LLM escolhido. Um mesmo modelo pode obter resultados muito diferentes conforme recebe contexto, acesso a ferramentas, regras de segurança, subagentes e memória. Harness² chama esse conjunto de harness — a infraestrutura operacional que transforma um modelo em agente — e propõe refiná-lo continuamente à medida que o sistema encontra trabalhos inéditos.
O que o Harness² altera — e o que ele não altera
O projeto não apresenta um novo modelo de linguagem nem faz ajuste fino dos pesos. Ele trabalha sobre oito componentes editáveis: prompt de sistema, guardrails, memória, orientação para ferramentas, subagentes, skills, scripts e plugins. Na prática, isso permite testar mudanças como uma instrução de planejamento mais explícita, uma regra melhor para delegação, um procedimento de recuperação após erro de ferramenta ou uma memória reutilizável para um domínio.
Essa distinção é relevante para equipes que já usam modelos por API. Trocar ou treinar um modelo normalmente envolve custo, governança e ciclos mais longos. Alterar o harness pode ser mais rápido, mas também cria uma nova superfície de risco: uma melhoria local pode reduzir a confiabilidade, ampliar permissões de ferramentas ou contaminar a memória persistente. O próprio repositório exige que quem avalia o sistema configure restrições de rede, porque rubricas e respostas de benchmarks públicos podem estar disponíveis na web.
Como funciona a recursão em dois níveis
1. Refinamento da tarefa atual
No primeiro nível, o Harness² executa um ciclo chamado Propose–Probe–Compose. O sistema propõe alterações no harness, testa os candidatos na própria tarefa e compõe uma versão refinada a partir dos contrastes observados entre as execuções. A ideia é usar evidências comportamentais — por exemplo, se um candidato conseguiu produzir um arquivo válido, concluir uma etapa ou evitar uma falha — quando não existe um verificador de resposta correta para a tarefa aberta.
Há dois modos de aumentar esse orçamento de refinamento. No modo paralelo, o framework explora candidatos gerais e candidatos específicos do domínio ao mesmo tempo, para depois compor novas versões. No modo sequencial, a versão adotada e as evidências acumuladas seguem para a rodada seguinte. Em termos simples: o paralelo explora mais alternativas; o sequencial aprofunda uma linha de melhoria.
2. Aprendizado entre tarefas
O segundo nível tenta evitar que cada melhoria desapareça ao fim da execução. Depois de adotar um harness, o sistema registra lições sustentadas por evidência em uma biblioteca por domínio. Essas lições são usadas para orientar os refinamentos posteriores. A documentação informa que as bibliotecas são separadas por benchmark, executor, modo, orçamento e semente; tarefas de um mesmo domínio leem apenas registros anteriores, enquanto domínios diferentes podem ser processados concorrentemente.
Esse desenho é uma tentativa de resolver uma limitação frequente de agentes: descobrir uma estratégia útil para uma tarefa e não saber transferi-la com segurança para a próxima. Não é o mesmo que o modelo “aprender” pesos novos. É uma camada de procedimentos e memória operacional, cuja qualidade depende de como as evidências são avaliadas.
Quais resultados os autores relatam
O paper avalia o framework em JobBench, LAB e WorkBuddy-Bench, usando quatro combinações de modelo e harness. Segundo os autores, uma etapa de Harness² melhorou as configurações avaliadas de GLM-5 e Gemini 3.5 Flash em relação aos harnesses-base. O maior ganho reportado foi de 11,5 pontos no WorkBuddy-Bench; também são citados 4,5 pontos no JobBench e 11,8 pontos percentuais na taxa de aprovação parcial do LAB.
Esses números devem ser lidos com cuidado. O trabalho é um preprint no arXiv, portanto não equivale a uma validação por revisão de pares. Além disso, ganhos em benchmarks profissionais não garantem a mesma melhora em um fluxo corporativo brasileiro, com dados internos, políticas de segurança e tarefas muito diferentes. O repositório fornece resultados e mecanismos de retomada de execução, mas não substitui uma avaliação independente no ambiente em que o agente será usado.
| Aspecto | O que o Harness² propõe | Ponto de atenção |
|---|---|---|
| Modelo | Mantém pesos fixos e altera a camada operacional | Não corrige limites fundamentais do modelo |
| Refinamento | Propõe, testa e compõe mudanças durante a tarefa | Sem verificador confiável, uma mudança pode parecer boa e falhar depois |
| Memória | Retém lições por domínio para usos futuros | Exige isolamento, revisão e prevenção de contaminação |
| Execução | Suporta recursão paralela e sequencial | Mais tentativas podem elevar custo, latência e complexidade |
O que está disponível no código aberto
O repositório disponibiliza uma demonstração local e determinística que executa os dois modos de recursão com execuções reais de Python e não requer credenciais de modelo. Para os benchmarks baseados em modelos, a documentação pede Linux, Python 3.12 ou 3.13, uv, Node.js 20 ou superior, Google Cloud CLI e dependências específicas de cada benchmark. Há suporte declarado para executores OpenCode e Codex; a opção --substrate cx seleciona Codex no lugar do executor padrão.
Para uma equipe, o caminho prudente não é conectar o framework diretamente a sistemas de produção. Primeiro, vale reproduzir a demo; depois, definir uma suíte própria de tarefas, critérios de sucesso e limites de ferramentas. Toda alteração de prompt, script ou regra de rede precisa ser versionada. A decisão de adotar uma mudança também deve ser auditável: qual evidência a sustentou, em que tipo de tarefa funcionou e em quais cenários foi proibida.
Impacto prático para quem desenvolve agentes no Brasil
O Harness² reforça uma mudança de foco: a vantagem competitiva de um agente tende a migrar da simples escolha do “melhor modelo” para a qualidade da engenharia ao redor dele. Empresas brasileiras que automatizam atendimento, análise documental, desenvolvimento ou operações podem usar essa ideia para testar melhorias de workflow sem depender de treinar um modelo proprietário.
Mas autonomia adaptativa não elimina responsabilidade. Em setores regulados, uma mudança automática de guardrail, memória ou instrução de ferramenta pode afetar privacidade, rastreabilidade e decisões de negócio. O framework é mais adequado, inicialmente, a ambientes isolados, com dados sintéticos ou tarefas reversíveis. Para ações que movimentam dinheiro, publicam conteúdo, alteram registros ou acessam dados pessoais, a aprovação humana e permissões mínimas continuam sendo controles essenciais.
Análise do NoticIA: o harness passa a ser parte do produto
Na análise do NoticIA, a principal contribuição do Harness² não é prometer agentes que se autoaperfeiçoam de forma ilimitada. É tornar explícito que prompt, memória, ferramentas e orquestração são componentes versionáveis do produto. Isso permite medir melhorias sem confundir mudança de modelo com mudança de processo.
O ponto mais difícil é a seleção. Se o agente se avalia com sinais imperfeitos, ele pode otimizar para concluir tarefas de forma aparente, não para produzir resultados confiáveis. O ciclo Propose–Probe–Compose só será útil em produção quando vier acompanhado de testes independentes, isolamento de permissões, limites de custo e reversão rápida. A abertura do código cria uma base concreta para experimentar essas práticas, mas não torna a recursão segura por padrão.
Perguntas frequentes
Harness² treina um novo modelo?
Não. O projeto declara manter os pesos do modelo fixos e modificar o harness operacional ao redor dele.
É um framework pronto para colocar em produção?
Não automaticamente. O código inclui demo, benchmarks e ferramentas de execução, mas uma implantação real precisa de avaliação própria, controles de rede e governança de mudanças.
Quais modelos aparecem nos resultados?
Os autores relatam experimentos com GLM-5 e Gemini 3.5 Flash em quatro configurações de modelo e harness.
O código tem licença aberta?
Sim. O repositório do Harness² usa Apache License 2.0; componentes de terceiros, benchmarks e conjuntos de dados mantêm suas respectivas licenças.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
